【OpenCV】基于kmeans的细胞检测方法

问题是这样的，有一幅经过二值化处理之后的图像，我们希望统计其中细胞的个数，和不同粘连情况的细胞个数，比如，下图中有1个细胞组成连通区域的，也有2个细胞组成连通区域的，也有更多个细胞组成连通区域的，我们希望分别统计不同的情况。

我想出的一种可行的方法是这样的：

1. 通过图像形态学的处理erode，将一些邻接的细胞分离开来，并减少单个像素的噪声干扰
2. 计算其中的连通域
3. 计算每一个连通域的面积
4. 根据面积计算其中的聚类，其中聚类算法采用kmeans，其中k，由用户设定
5. 根据聚类的情况计算其中细胞数

里面的采用聚类的思想是根据不同类型的重叠细胞，其中的面积应该有相应的分布，比如，两个重叠的细胞面积往往会显著的小于三个重叠的细胞（但是肯定会有例外），我们基于以上的想法通过计算聚类的方法计算其中的细胞数。

import cv2
from numpy import *
from scipy.cluster.vq import *

img=cv2.imread('FigProb9.27.jpg',0)
kernel=cv2.getStructuringElement(cv2.MORPH_CROSS,(3,3))
img=cv2.erode(img,kernel,iterations=5)
contour,h=cv2.findContours(img,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_NONE)
cv2.drawContours(img,contour,-1,(255,0,0),1)
cv2.imshow('img',img)

ContourArea=[]
for cnt in contour:
    Area=cv2.contourArea(cnt)
    ContourArea.append(Area)
ContourArea=array(ContourArea)
ContourArea=ContourArea[ContourArea>20]
#print len(ContourArea)
# print ContourArea
# print min(ContourArea)
# print max(ContourArea)
# print average(ContourArea)
#print sort(ContourArea)
centroid,dis=kmeans(ContourArea,5)#calculate 5 cluster
label,dis=vq(ContourArea,sort(centroid))#calculate label in 5 cluster
clusterNum=[]#the amount cluster
classNum=[]#the total amount cell in this kind of cluster
for i in range(len(label)):
    clusterNum.append(len(label[label==i]))
    classNum.append(clusterNum[i]*(i+1))
     
print ("In picture,we can see Total amount of cell is %d.\n ")%(sum(classNum))
print("%d in one;%d in two;%d in three;%d in four;%d in five.")%(classNum[0],classNum[1],classNum[2],classNum[3],classNum[4])
cv2.waitKey()